Transformation of Pathology Reports Into the Common Data Model With Oncology Module: Use Case for Colon Cancer
Ryu et al., 2020
Abstract
Background: Common data models (CDMs) help standardize electronic health record data and facilitate outcome analysis for observational and longitudinal research. An analysis of pathology reports is required to establish fundamental information infrastructure for data-driven colon cancer research. The Observational Medical Outcomes Partnership (OMOP) CDM is used in distributed research networks for clinical data; however, it requires conversion of free text–based pathology reports into the CDM’s format. There are few use cases of representing cancer data in CDM.
Objective: In this study, we aimed to construct a CDM database of colon cancer–related pathology with natural language processing (NLP) for a research platform that can utilize both clinical and omics data. The essential text entities from the pathology reports are extracted, standardized, and converted to the OMOP CDM format in order to utilize the pathology data in cancer research.
Methods: We extracted clinical text entities, mapped them to the standard concepts in the Observational Health Data Sciences and Informatics vocabularies, and built databases and defined relations for the CDM tables. Major clinical entities were extracted through NLP on pathology reports of surgical specimens, immunohistochemical studies, and molecular studies of colon cancer patients at a tertiary general hospital in South Korea. Items were extracted from each report using regular expressions in Python. Unstructured data, such as text that does not have a pattern, were handled with expert advice by adding regular expression rules. Our own dictionary was used for normalization and standardization to deal with biomarker and gene names and other ungrammatical expressions. The extracted clinical and genetic information was mapped to the Logical Observation Identifiers Names and Codes databases and the Systematized Nomenclature of Medicine (SNOMED) standard terminologies recommended by the OMOP CDM. The database-table relationships were newly defined through SNOMED standard terminology concepts. The standardized data were inserted into the CDM tables. For evaluation, 100 reports were randomly selected and independently annotated by a medical informatics expert and a nurse.
Results: We examined and standardized 1848 immunohistochemical study reports, 3890 molecular study reports, and 12,352 pathology reports of surgical specimens (from 2017 to 2018). The constructed and updated database contained the following extracted colorectal entities: (1) NOTE_NLP, (2) MEASUREMENT, (3) CONDITION_OCCURRENCE, (4) SPECIMEN, and (5) FACT_RELATIONSHIP of specimen with condition and measurement.
Conclusions: This study aimed to prepare CDM data for a research platform to take advantage of all omics clinical and patient data at Seoul National University Bundang Hospital for colon cancer pathology. A more sophisticated preparation of the pathology data is needed for further research on cancer genomics, and various types of text narratives are the next target for additional research on the use of data in the CDM.
Español
Transformación de reportes de patología al Modelo de Datos Común con un módulo de oncología: Caso de uso para cáncer de colon.
Antecedentes: Los Modelos de Datos Comunes (MDC) ayudan a estandarizar los datos en historias clínicas electrónicas y facilitan el análisis de resultados para investigación observacional y longitudinal. Se requiere de un análisis de reportes de patología para establecer la infraestructura de información fundamental para la investigación sobre cáncer de colon. El MDC de la Colaboración de Resultados Médicos Observacionales (Observational Medical Outcomes Partnership, OMOP) se utiliza para datos clínicos en redes de distribución de investigación. Sin embargo, requiere de la conversión de reportes de patología textuales al formato del MDC. Hay pocos casos del uso del MDC para representar datos sobre cáncer.
Objetivo: En este estudio, se buscó construir una base de datos en el MDC con reportes de patología de cáncer de colon mediante procesamiento del lenguaje natural (PLN) para una plataforma de investigación que pudiera utilizar datos tanto clínicos como de las «-ómicas» (omics). Las entidades de texto esencial de los reportes de patología se extraen, estandarizan y convierten al formato del MDC de la OMOP para utilizar los datos de patología en investigación sobre cáncer.
Métodos: Se extrajeron entidades de texto clínico, se mapearon a los conceptos estándar de los vocabularios de la OHDSI (Ciencia de Datos e Informática en Salud Observacional) y se construyeron bases de datos y relaciones definidas para las tablas en el MDC. Se extrajeron entidades clínicas mayores mediante PLN de reportes de patología de especímenes quirúrgicos, estudios inmunohistoquímicos y estudios moleculares de pacientes con cáncer de colon en un hospital general terciario en Corea del Sur. Se extrajeron ítems de cada reporte utilizando expresiones regulares en Python. Los datos no estructurados, como texto sin un patrón, se manejaron bajo el asesoramiento de expertos mediante la adición de reglas de expresión regulares. Se usó nuestro propio diccionario en la normalización y estandarización para lidiar con nombres de biomarcadores y genes y otras expresiones agramaticales. La información clínica y genética extraída se mapeó para las bases de datos con Nombres y Códigos de Identificadores Lógicos de Observación (Logical Observation Identifiers Names and Codes, LOINC) y la terminología estándar de la Nomenclatura Sistematizada de Medicina (SNOMED) recomendada por el MDC de OMOP. Las relaciones entre las bases de datos y las tablas se definieron por primera vez mediante conceptos en la terminología estándar de la SNOMED. Los datos estandarizados se introdujeron en las tablas en el MDC. Para la evaluación, se seleccionaron 100 reportes aleatoriamente, y un(a) experto(a) en informática médica y un(a) enfermero(a) de manera independiente hicieron anotaciones sobre ellos.
Resultados: Se examinaron y estandarizaron 1848 reportes de estudios inmunohistoquímicos, 3890 reportes de estudios moleculares y 12,352 reportes de patología de especímenes quirúrgicos (de 2017 a 2018). La base de datos construida y actualizada contenía las siguientes entidades colorrectales extraidas: (1) NOTE_NLP, (2) MEASUREMENT, (3) CONDITION_OCCURRENCE, (4) SPECIMEN y (5) FACT_RELATIONSHIP del espécimen con condición y medida.
Conclusiones: Este estudio buscaba preparar datos en el MDC para, en una plataforma de investigación, tomar ventaja de todos los datos clínicos y de las «ómicas» de pacientes en el Hospital Bundang de la Universidad Nacional de Seúl en patología de cáncer de colon. Se necesita de una preparación más sofisticada de los datos de patología para mayor investigación en genómicas del cáncer, y distintos tipos de narrativas de texto son el nuevo objetivo para investigación adicional sobre el uso de datos en el MDC.